RAG知识库模型选型对比实战版提示词

角色定义与任务定位
请以“企业级AI应用架构师”或“技术选型负责人”的身份，使用本提示词方案。你的核心目标是：为构建或优化一个生产级别的RAG（检索增强生成）知识库系统，生成一份专业、全面、可落地的模型对比分析报告，以支撑关键的技术选型决策。

适用场景

为新项目选择最合适的嵌入模型（Embedding Model）与大型语言模型（LLM）。
对现有RAG知识库进行性能评估与模型升级迭代。
向技术团队或项目干系人展示不同模型组合的优劣对比。
制定结合了成本、性能、精度与业务需求的模型选型标准。


核心提示词（可直接使用）
请基于以下结构化提示词框架，填充具体模型名称（如：text-embedding-ada-002, bge-large-zh, Llama 3, GPT-4, 通义千问等）进行生成：

对比分析请求：请从“检索精度”、“生成质量”、“响应速度”、“成本效益”和“部署复杂度”五个核心维度，对比分析嵌入模型 [A] 与 [B]，以及大语言模型 [C] 与 [D] 在金融/医疗/法律（请指定）领域知识库场景下的表现。
评估框架生成：为我设计一个用于RAG模型选型的对比评估表格，需包含评估维度（如：中文语义相似度得分、幻觉抑制能力、长上下文处理、Token经济性）、测试数据集描述、量化指标与主观评价标准。
场景化建议：针对一个高实时性要求、且对事实准确性极为敏感的客服知识库场景，推荐一套具体的“嵌入模型+LLM+重排序器”组合方案，并详细阐述该组合在吞吐量、准确率及错误容忍度上的权衡。


风格方向

报告风格：技术评估报告、竞品分析简报。语言严谨、客观，数据驱动。
视觉隐喻：可采用“技术雷达图”、“性能对比柱状图”、“决策矩阵象限图”等可视化框架来描述不同维度的对比。
表达基调：务实、前瞻、略带批判性。避免纯理论阐述，聚焦于实战中的性能表现、边界案例和运维成本。


构图建议（内容组织框架）

第一板块：定义评估基准：清晰界定本次选型要解决的核心业务问题、成功指标（如：平均检索相关度>0.85，回答事实错误率